基于深度学习的表面缺陷检测算法研究

发布时间：2024-03-03 10:09

　　随着技术日新月异的轮番迭代,现代工业已迈向全新的发展阶段。高数量、高质量、高效率成为了新一代企业的首要纲领。如何在保证产品数量的同时快速检测质量成为工业领域的首要挑战。受使用年限、施工工艺及自然环境多重因素的影响,工业领域表面频繁出现多种缺陷,如裂缝、坑洼、斑驳等,对于工业领域应用场景来讲,这些缺陷的出现将严重降低使用寿命与生产效率。由此可见,进行表面缺陷检测具有重大的研究价值与实际意义。由于不同形态的表面缺陷之间存在较大差异,而裂缝又作为工业领域最为常见且影响最大的缺陷形态,所以本文将裂缝作为主要缺陷类型进行研究。从不同的工业应用场景出发,完成对于裂缝的检测任务。当前结合深度学习的裂缝检测算法仍然存在许多问题,根据实际工业的不同需求,本研究主要从裂缝分割与裂缝分类两种任务出发探究现存问题。裂缝分割任务存在小尺度目标分割不连续、边界分割不清晰、裂缝结构模糊的问题。裂缝分类任务存在数据集样本不足、模型参数量大、易导致过拟合的问题。因而,本文开展了基于深度学习的工业领域裂缝检测研究,主要工作如下:(1)针对裂缝分割领域存在的小尺度目标分割不连续、边界分割不清晰、裂缝结构模糊的问题,提出一种...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 背景及意义
    1.2 国内外研究现状
        1.2.1 裂缝分割方法
        1.2.2 裂缝分类方法
    1.3 论文研究内容
    1.4 论文结构安排
第2章 相关技术原理
    2.1 卷积网络
        2.1.1 卷积网络基本组件
        2.1.2 经典卷积神经网络
    2.2 基于裂缝分割网络模型
    2.3 基于裂缝分类网络模型
    2.4 本章小结
第3章 基于多层次特征融合和注意力机制的裂缝检测模型
    3.1 网络模型
        3.1.1 模型建立
        3.1.2 单尺度多层次特征融合模块
        3.1.3 三重注意力模块
        3.1.4 损失函数
    3.2 实验筹备
        3.2.1 数据集
        3.2.2 实验搭建
        3.2.3 边缘评价指标
    3.3 重要模型对照实验
        3.3.1 单尺度多层次模型对照实验
        3.3.2 注意力模块对照实验
    3.4 消融实验
    3.5 模型对比实验
    3.6 本章小结
第4章 基于轻量型的两阶段裂缝分类模型
    4.1 网络模型
        4.1.1 两阶段网络搭建
        4.1.2 分割模块
        4.1.3 决策模块
    4.2 实验筹备
        4.2.1 数据集
        4.2.2 实验环境
        4.2.3 分类评价指标
    4.3 分割网络对照试验
        4.3.1 轻量型网络性能分析
        4.3.2 经典分割网络对比实验
        4.3.3 数据标注的影响
        4.3.4 输入分辨率的影响
        4.3.5 输入图像旋转的影响
    4.4 损失函数对比分析
    4.5 决策网络性能分析
    4.6 本章小结
第5章 结论
    5.1 总结
    5.2 展望
参考文献
致谢



本文编号：3917632